主成分、因子分析实施报告步骤.doc

-
. z.
主成分分析、因子分析步骤
不同点
主成分分析
因子分析
概念
具有相关关系的p个变量，经过线性组合后成为k个不相关的新变量
将原数据中多个可能相关的变量综合的特征值总和的比，也称因子奉献率；第四列是因子累计奉献率。
，，因子3,4,5的特征值在1以下。%，%，%，%的信息，因而因子取二维比拟显著。
至此已经将5个问项降维到两个因子，在数据文件中可以看到增加了2个变量，fac1_1、fac2_1，即为因子得分。
-
. z.
成分矩阵与旋转成分矩阵
成分矩阵是未旋转前的因子矩阵，从该表中并无法清楚地看出每个变量到底应归属于哪个因子。旋转后的因子矩阵，从该表中可清楚地看出每个变量到底应归属于哪个因子。此表显示旋转后原始的所有变量与新生的2个公因子之间的相关程度。
一般的，，认为是显著的变量，。如味道与饭量关于因子1的负荷量高，所以聚成因子1，称为饮食因子；等待时间、卫生、亲切关于因子2的负荷量高，所以聚成因子2，又可以称为效劳因子。
〔5〕因子得分系数矩阵
元件评分系数矩阵
元件
1
2
卫生
-.
.447
饭量
.425
-.036
等待时间
-.038
.424
味道
.480
.
亲切
-.316
-.371
撷取方法：主体元件分析。
转轴方法：具有 Kaiser 正规化的最大变异法。
元件评分。
因子得分系数矩阵给出了因子与各变量的线性组合系数。
因子1的分数=-0.**1+**2-**3+**4-**5
因子2的分数=**1-**2+**3+0.**4-**5
〔6〕因子转换矩阵
元件转换矩阵
元件
1
2
1
.723
-.691
2
.691
.723
撷取方法：主体元件分析。
转轴方法：具有 Kaiser 正规化的最大变异法。
因子转换矩阵是主成分形式的系数。
〔7〕因子得分协方差矩阵
元件评分共变异数矩阵
元件
1
2
1

.000
2
.000

撷取方法：主体元件分析。
转轴方法：具有 Kaiser 正规化的最大变异法。
元件评分。
看各因子间的相关系数，假设很小，则因子间根本是两两独立的，说明这样的分类是较合理的。
-
. z.
主成分分析
1 【分析】——【降维】——【因子分析】
〔1〕设计分析的统计量
【相关性矩阵】中的“系数〞：会显示相关系数矩阵；
【KMO和Bartlett的球形度检验】：检验原始变量是否适合作主成分分析。
【方法】里选取“主成分〞。
【旋转】：选取第一个选项“无〞。
【得分】：“保存为变量〞
【方法】：“回归〞；再